《表2 2种样本数据模型的性能比较》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于知识嵌入和DNN的工商业用户异常用电检测》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

图7为不同时间跨度样本模型下，深度混合残差网络对异常用电的检测效果。首先，从图7可以看出7 d的时间样本模型，不论AUC分数还是F1分数都是最好的，尤其是F1分数明显优于其他时间跨度的样本模型。不仅因为数据维度足够大，包含足够的信息量；而且较好地体现了工商业用户的用电行为的周期性特征。1 d和3 d的样本模型，由于数据维度太低，包含的信息量少，深度混合残差网络很难学习异常用电特征，导致异常用电检测效果相对较差。5 d的样本模型尽管在AUC分数上与7 d的样本模型非常接近，但F1分数有明显差距。主要因为5 d的时间跨度仍不能很好地体现用电行为的周期性特征，造成样本模型对判决阈值更加敏感，这将影响深度混合残差网络的泛化能力。